基于CCSI的顾客满意度评价
——以近邻宝高校物流服务中心为例

文/陈慧东 周晓琦 指导教师：王晓川

引言

互联网时代，电子商务的快速发展带动了人们生活方式的转变。在网络购物体验中，物流配送服务质量成为人们关注的焦点。通过多年建设，物流业已经能够实现企业、中间商、零售商以及顾客之间的分级配送，形成了比较完整的物流服务网络，能够满足各级顾客对物流服务的基本需求。近几年以近邻宝、蜂巢等第四方物流平台的出现给物流行业带来了新的思路与发展方向，同时也存在快递滞留时间太长、快递损坏责任推卸等问题导致顾客不满意。

相关理念综述

（1）顾客满意度及其模型

现代企业管理理论将提升顾客满意度视为企业营销战略的一个重要部分。1992 年，美国密歇根大学商学院质量研究中心佛奈尔在总结前人研究成果的基础上，针对顾客购买前的期望、购买之后的感知，对价值、价格的判断等多方面因素，建立了顾客满意度的计量经济学模型。在此基础上，瑞典统计局根据佛奈尔设计的模型建立了瑞典顾客满意指数（SCSB），提出了以顾客期望、顾客感知、顾客满意、顾客忠诚、顾客抱怨的 5 要素体系为指数的测评模型，并且通过实践数据验证了该模型的有效性。1996 年，佛奈尔、杰森等人将顾客感知这个要素进一步细化，提出了以感知质量、感知价值、顾客期望、顾客满意、顾客忠诚、顾客抱怨为框架的美国顾客满意度指数（ACSI） 的计量经济学模型，成为目前被广泛使用的顾客满意度测评框架。1997年在中国质量协会、全国用户委员会的推动下，开始着手CCSI系统研究，并联合北大、人大、清华、社科院等国内顶极学术机构共同攻关，展开适合中国国情的国家满意度指数模型的设计工作。CCSI以用户作为质量评价主体，用户需求作为质量评价标准，按照消费行为学和营销学的研究结论，通过构建一套由预期质量、感知产品质量、感知服务质量、感知价值、用户满意度、用户抱怨和用户忠诚度等7个主要指标组成的严格的模型，计算出消费者对产品使用的满意度指数。

顾客满意度的测评模型是将影响顾客满意度的各种因素放入因果关系系统中，通过统计分析确定这些因素与顾客满意度指数之间的关系，用多元线性回归的方法确认各个指数的权重，从而确立顾客满意度模型。这个模型的关键是要准确筛选出影响顾客满意度的诸多指标，通过量化获得定量的分析结果。然而，顾客满意是一个非常复杂的心理过程，受到很多因素的影响，同类产品的顾客满意就受地域因素、顾客个性、收入层次、消费场合等人文、地理、心理、经济等因素的影响。而不同的产品类型，其顾客满意受到产品特征的强烈影响，决定顾客满意的因素更加纷繁复杂。因此，对于顾客满意度的测量是一个非常复杂的过程，往往需要针对产品或者顾客特性设计出不同的模型，采用不同的处理方法。本文针对中国顾客情况的中国顾客满意度指数的基础上，针对近邻宝的产品特色和中国消费者的需求类型，设计了顾客满意度的测评模型，并进行了实证研究。

（2）近邻宝

“近邻宝”是中科富创公司着力打造的服务于校园、社区居民及快递物流的24小时快递自助服务运营平台。近邻宝app是一款综合校园服务移动产品。配合物流中心以及智能快件箱为用户提供安全、可靠、快捷的快递包裹取送解决方案。与此同时，也在积极探索并建设创新型的校园生活服务平台。校园物流中心也是电商服务网点，提供末端配送、货到付款、退换货、售后服务，品牌推广等电商服务，一站式解决电商末端物流问题。“近邻宝”智能快件箱是24小时快递自助服务运营商，是服务于快递业最后100米平台，为个人提供快递代收代发及临时寄存服务，是物业、电商、快递和个人之间的枢纽站。近邻宝在校园指定位置开设快递中心，在最便利师生收取快件的位置（宿舍楼、办公楼）分散设置智能快递箱。和各家快递公司进行开放合作，代办校园内的快递收发业务。合作快递公司把快件统一交付快递中心，快递中心通过二次分拣，把快件投递到最方便收件人收取的智能自提箱。师生发送快递，可自由选择合作快递公司到快递中心办理发件业务。

因为该公司面对不同客户群体的服务各不相同，本文仅针对近邻宝高校物流服务中心进行研究测评。

近邻宝顾客满意度实证分析

（1）指标体系及测评模型

CCSI 是根据顾客对在本国购买、国内企业提供或在市场上占有相当份额的国外企业提供的产品和服务质量的评价，通过建立模型计算而获得的一个指数，是一个测量顾客满意程度的经济指标。本文讨论的近邻宝属于服务业，基于CCSI的服务业顾客满意指数测评模型包括 6 个潜变量及其形成的 11 种因果关系。其中顾客满意度是最终的目标变量，顾客忠诚是顾客满意度的结果变量，其余 4 个变量是顾客满意度的原因变量。本文在基于CCSI的服务业顾客满意指数模型基础上按第三方物流行业特点做适当改进，使之更能反映近邻宝特点。

CCSI 的服务业顾客满意指数模型有 6 个潜变量：品牌形象、预期质量、感知质量、感知价值、顾客满意度、顾客忠诚。快递物流业顾客满意度测评模型采用相同潜变量。

由于CCSI模型的潜变量难以直接进行测量，因此对其测量需要通过对应的若干可观测变量来进行。影响快递物流业顾客满意度的因素较多，根据以往学者研究成果和经验，笔者列出以下主要指标。

（1）品牌形象：包括近邻宝的知名度；近邻宝在行业内声誉；近邻宝企业形象等；

（2）预期质量：包括顾客对物流总体服务水平的期待；希望近邻宝能提供快速、有保障的服务；

（3）感知质量：物流迅速；收费合理；包裹内外均完好无损；配送员认真负责、态度诚恳；物流中心服务专业化等；

（4）感知价值：顾客相对所接受服务的质量对价格的认可度；顾客相对付出价格对服务质量的认可度；

（5）顾客满意度：顾客对收送人员的总体满意度；与顾客理想中的服务相比实际表现如何；与顾客期望的服务相比实际的表现如何；

（6）顾客忠诚：顾客再次选择该物流的可能性；顾客再次选择该企业其他服务的可能性；该企业配送价格上涨而其他企业价格不变，顾客是否还会选择。

根据以上因素（见表1），建立如图1测评模型。

各潜变量的具体含义为：

表1

（1）品牌形象：顾客在选择物流企业前对该物流企业的印象；

（2）预期质量：顾客在选择物流企业前对该企业服务质量的估计和预期；

（3）感知质量：顾客在完成服务后对其服务质量的实际感受；

（4）感知价值：服务质量和价格比较，体现顾客在综合服务质量和价格后对其所获利益的主管感受；

（5）顾客满意：顾客直接对该企业服务的满意程度，即顾客对给服务满足自身需求的总体态度；

（6）顾客忠诚：顾客对该物理企业的忠诚程度。

（2）实证研究

本调查问卷全部采用封闭式提问，注重反映模型变量的含义。预调查问卷包括了品牌形象、预期质量、感知质量、感知价值、顾客满意度、顾客忠诚 6 个潜变量对应的30个可观测变量产生的问题。

本研究调查分为2个阶段进行，第一阶段进行小范围的预调查，检验问卷的信度和效度，形成最终成型问卷。第二节阶段进行大规模问卷发放和收集。预调查中，选取了5位在近邻宝有寄件经历且使用过自提柜的可靠同学作为调查对象，收回有效问卷5份，并运用SPSS21.0软件对问卷进行分析，问卷各题项和维度的Cronbach’s α均在0.8以上，问卷信度较好，之后对问卷进行效度分析，通过效度分析得到量表的KMO测度值为0.916，大于0.9，表明问卷的结构系数效度较好，可以进行因子分析。采用探测性因子分析，通过主成分分析法，以特征值大于1为标准，提取因子负荷大于0.5的题项，剔除因子负荷小于0.5的题项，提取5个因子，再次进行探索性因素分析。各题项均落在相应的因子内，提取的5个因子与预先设定的变量相符合，5个因子总共解释了总体方差的93.805%。

正式的问卷收集主要为网络发放，以使用过近邻宝相关服务的人作为调查对象，收回了来自北京市、天津市等地问卷共计42份，其中有效问卷35份，问卷有效率为83.33%。问卷收集时间为2018年1月27日至2018年4月14日。数据收集后采用SPSS21.0软件进行处理分析。对问卷的信度、效度进行检验，进行模型检验。

从下页表中分析中得出结论。

结论

1.建议进一步改进快递件管理

高校以学生为主要服务群体，学生们更注重快递的效率和价格，以及相关服务。在调查中发现，大部分同学认为快递件在近邻宝的滞留时间过长，无法满足急件和生鲜等快递的速度要求；同时还存在自提柜空间利用不合理的问题，可以考虑设计文件柜或专门用来存储面积很大但并不厚的文件、挂号信等快件。

2.建议重视服务，尝试服务个性化

从调查结果来看，“服务专业化”得分均值虽然较低，但其与顾客满意度的相关性却是最强。这并不意味着提供专业化服务是不重要的，而是因为被试人群缺少概念。当人员服务达到了顾客的心理预期时，顾客不一定会满意，而未达到心理预期，顾客极有可能产生抱怨。物流中心也可以尝试服务个性化。如根据顾客需求特征，在不违背国家相关法律法规的前提下，利用大数据技术，对高购买频率的客人建立客户档案，满足特殊需求，生日短信提醒等。

3.本文回顾了ACSI、SCSB、ECSI等经典顾客满意度指数模型，但限于主题、篇幅等因素，只针对基于CCSI的近邻宝物流中心指标测评体系分析调查结果，未与基于上述其他模型的测评体系分析结果进行比较。

本研究的调查问卷包含信息较多，对顾客消费前、中、后的感受都有涉及。虽然正式调查问卷是在不同店面向顾客发放的，但被试者理解能力、时间、耐心不同，可以考虑将问法进一步细化和明确，或者将问卷进一步分类，以减少被试者误解题项的可能性。

今后，为进一步细化更适合中国国情的近邻宝物流中心顾客满意指数模型，可对国内顾客开展分别基于不同指数模型的实证研究，以探求结果间的区别。

数

相关系数预期质量1 预期质量2 预期质量3 预期质量4预期质量1 相关系数 1.000 .579* .692* -.205 Sig.（双侧） . .034 .011 .428预期质量2 相关系数 .579* 1.000 .869** .251Kendall 的 tau_bSig.（双侧） .034 . .001 .331预期质量3 相关系数 .692* .869** 1.000 .062 Sig.（双侧） .011 .001 . .812预期质量4 相关系数 -.205 .251 .062 1.000 Sig.（双侧） .428 .331 .812 .*. 在置信度（双测）为 0.05 时，相关性是显著的。**. 在置信度（双测）为 0.01 时，相关性是显著的。相关系数感知价值1 感知价值2相关系数 1.000 .893**感知价值1Kendall 的 tau_b Sig.（双侧） . .000感知价值2 相关系数 .893** 1.000 Sig.（双侧） .000 .**. 在置信度（双测）为 0.01 时，相关性是显著的。顾客满意1 顾客满意2 顾客满意3顾客满意1 相关系数 1.000 .889** .913**Sig.（双侧） . .001 .001Kendall 的 tau_b 顾客满意2 相关系数 .889** 1.000 .812**Sig.（双侧） .001 . .002顾客满意3 相关系数 .913** .812** 1.000 Sig.（双侧） .001 .002 .**. 在置信度（双测）为 0.01 时，相关性是显著的。相关系数顾客忠诚1 顾客忠诚2 顾客忠诚3顾客忠诚1 相关系数 1.000 .532* -.250 Sig.（双侧） . .036 .315Kendall 的 tau_b 顾客忠诚2 相关系数 .532* 1.000 .313 Sig.（双侧） .036 . .208顾客忠诚3 相关系数 -.250 .313 1.000 Sig.（双侧） .315 .208 .*. 在置信度（双测）为 0.05 时，相关性是显著的。